Applications of Bayesian regression techniques in the prediction of IPO underpricing

Thumbnail Image

Files

Lemström_Karl_2025.pdf (683.64 KB)

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-05-15

Department

Major/Subject

Mcode

SCI3027

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

36

Series

Abstract

It is widely known that initial public offerings are on average underpriced, but what factors affect the underpricing and how to predict the underpricing are active areas of research. In most markets, a lot of data are available about an IPO before it is conducted; therefore, a common method for predicting the underpricing has been linear regression analysis. These models have some limitations; mainly that the Gauss-Markov theorem should hold for the model to perform well. We can avoid the potential problem of heteroskedasticity by segmenting the data in smaller sets by industry and time frame, but due to the decrease in observations, the new problem of high-dimensionality arises instead. This problem and the multicollinearity problem can be handled through Bayesian regression, which has been used in similar settings before. This thesis conducts a literature review and studies the data available to determine how Bayesian regression could be used to predict IPO underpricing. Using different prior distributions on the regression coefficients, we can achieve varying shrinkage effects for handling the data. The prior distributions studied are the Gaussian, Laplace, Spike-and-slab, and Horseshoe priors. Previous studies on similar problems have used the Laplace distribution, but the Horseshoe prior remains an interesting choice for our problem. It becomes clear that applying Bayesian regression to the prediction task solves the problems of high-dimensionality and multicollinearity and that the posterior distribution produced by Bayesian regression could be a valuable addition to the evaluation of risk when investing in an IPO. Despite these benefits of Bayesian regression, autocorrelation remains a problem. However, it is possible that what seems to be autocorrelation can be adequately explained by the predictors. If heteroskedasticity and autocorrelation cannot be solved, we might have to use autoregressive terms in the model. To conclude, we find that Bayesian regression has not to our knowledge been used in predicting IPO underpricing before but that the method offers some advantages and thus remains relevant for further studies.

Det är allmänt känt att börsnoteringar i medeltal är underprissatta men vilka faktorer som påverkar underprissättningen och hur underprissättningen kan förutsägas är aktiva forskningsområden. Denna studie undersöker genom en litteraturstudie samt studie av tillgänglig data hur Bayesiansk regression kunde användas för att förutsäga underprissättningen av börsnoteringar. På de flesta marknader finns mycket data om nya börsnoteringar tillgängliga i förväg så en vanlig metod för att undersöka problemet med underprissättning har varit att använda sig av linjära regressionsmodeller. Dessa modeller har dock vissa begränsningar; främst att Gauss-Markovs sats måste hålla. Genom att dela in data i mindre dataset baserat på industri och tidsperiod för börsnoteringen kan vi undvika det potentiella problemet med heteroskedasticitet men skapar i stället ett nytt problem då data blir högdimensionellt. Bayesiansk regression har tidigare använts inom bland annat neurovetenskap och genetik för att hantera högdimensionella data och multikollinearitet, som också verkar vara ett problem i data. Genom att använda oss av olika priorifördelningar för regressionskoefficienterna kan vi nå olika egenskaper av krympningen av koefficienter som Bayesiansk regression ger upphov till. Priorifördelningarna som studeras är Gaussisk fördelning, Laplace-fördelning, spike-and-slab-fördelning samt horseshoe-fördelningen. Det framkommer att tidigare studier inom liknande ämnen har använt sig av Laplace-fördelningen, men att horseshoe-fördelningen erbjuder intressanta egenskaper som kunde användas för att förutsäga underprissättning. Vidare framkommer det att Bayesiansk regression löser problemen med multikollinearitet och högdimensionallitet i våra data, samt att posteriorfördelningen för förutsägelser som Bayesiansk regression ger upphov till är ett värdefullt tillägg till riskbedömningen vid investering i börsnoteringar. Trots dessa fördelar med Bayesiansk regression kvarstår autokorrelationen i data som ett problem som kan försvaga resultaten i regressionen. Det framkommer ändå att denna autokorrelation till en viss, möjligtvis tillräcklig grad kan förklaras med hjälp av prediktorvariablerna. Ifall vi inte kan lösa problemen med heteroskedasticitet och autokorrelation tillräckligt för att nå en pålitlig modell kan vi bli tvungna att använda oss av autoregressiva termer i modellen. Som slutsats kommer vi fram till att Bayesiansk regression såvitt vi vet inte har används för att förutsäga underprissättningen av börsnoteringar förut, men att metoden erbjuder vissa fördelar och således är relevant för vidare studier.

Description

Supervisor

Savioja, Lauri

Thesis advisor

Yilmaz, Ersin

Keywords

bayesian regression, initial public offering, ipo underpricing, financial analysis, machine learning

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506104359

Collections

[kand] Perustieteiden korkeakoulu / SCI